Détails du sujet
Conception et simulation d'un système de détection des arythmies cardiaques à partir des signaux ECG, basé sur l'algorithme KNN
Résumé
Auteur : VIVUYA MUNGOSY
Niveau: G3
Département: Genie Informatique
Année Ac: 2024-2025 , | 2025-03-22 15:20:51
Mots clés
Arythmies cardiaques, Détection K-Nearest Neighbors (KNN), Signal ECG, Machine Learning, Prétraitement des données, Extraction des caractéristiques, Validation croisée, Métriques de performance, Interprétation clinique
Intérêt
La détection précoce des arythmies cardiaques peut significativement améliorer la qualité de vie des patients et sauver des vies. En permettant une intervention rapide, ce système peut prévenir les complications graves liées aux arythmies, réduisant ainsi les coûts de santé et les risques pour les patients. Un tel système a le potentiel de transformer les soins de santé et de fournir des outils précieux aux professionnels de santé pour une meilleure prise en charge des patients.
Problématique
L'implémentation d'un système de détection des arythmies basé sur KNN présente plusieurs défis.
La variabilité des données ECG, influencée par des facteurs tels que le bruit, la qualité des signaux et les différences individuelles entre les patients, peut affecter la précision du modèle.
Comment peut-on améliorer la précision et la robustesse d'un modèle KNN pour la détection des arythmies cardiaques, en tenant compte de la variabilité des signaux ECG et en assurant une interprétation clinique fiable ? Plan provisoire
1. Introduction
2. Revue de la littérature
3. Méthodologie
4. Entraînement et validation du modèle
5. Résultats et discussions
6. Validation clinique
7. Scalabilité et déploiement
8. Conclusion
9. Références
Annexes
Hypothèses
L'utilisation de techniques avancées de prétraitement des données et d'extraction de caractéristiques, combinée à un ensemble de données diversifié et représentatif, améliore la précision et la robustesse d'un modèle K-Nearest Neighbors (KNN) pour la détection des arythmies cardiaques à partir des signaux ECG. En conséquence, cela permet une détection précoce des arythmies, réduit les complications graves et les coûts de santé, et fournit des résultats cliniquement fiables et interprétables pour les professionnels de santé.présente plusieurs défis. Méthodes
1. Collecte des données
- Sources : Utilisation d'une base de donnée publique comme PhysioNet.
- Variété: Assurer une diversité des enregistrements ECG.
2. Prétraitement des données Filtrage du bruit :
- Appliquer des filtres pour éliminer les interférences.
- Normalisation : Uniformiser les signaux ECG.
3. Extraction des caractéristiques
- Identifier des caractéristiques telles que les intervalles RR et les pics R.
4. Construction du modèle KNN
- Implémentation : Utiliser scikit-learn en PYTHON.
- Choisir une distance métrique
5. Optimisation des hyperparamètres
- Nombre de voisins (k) : Déterminer le nombre optimal via validation croisée.
6. Entraînement et validation
- Entraînement : Utiliser un ensemble de données d'entraînement.
- Validation : Évaluer avec un ensemble de validation.
7. Évaluation des performances
- Calculer la précision, le rappel et le score F1.
- Analyser les matrices de confusion.
8. Validation clinique
- Collaborer avec des professionnels de santé pour évaluer les résultats. Bibliographie
[1] I. Hadj Ahmed, "Analyse temps–fréquence à haute résolution du signal HRV: Application à la télésurveillance des arythmies cardiaques," Ingénierie biomédicale, Université Abou Bekr Belkaid Tlemcen, Algérie, 2022. ⟨NNT : ⟩. ⟨tel-03710280⟩.
[2] M. A. Abed, "Développement d’un bracelet multi-capteur PPG et d’un modèle d’apprentissage pour la détection de problématiques cardiovasculaires," Maîtrise en informatique, L’Université du Québec à Rimouski, juin 2021.
[3] R. Ghodbane, "Automated Heartbeat Classification and Cardiovascular Disease Detection Using Deep Learning," Master's dissertation, Mohamed Khider University – BISKRA, Faculty of Exact Sciences, Natural and Life Sciences, Computer Science Department, Algérie, 25 juin 2023, Order N°: SIOD17/M2/2022.
[3] T. J. Jun, H. M. Nguyen, D. Kang, D. Kim, D. Kim, and Y.-H. Kim, “Ecg arrhyth-
mia classification using a 2-d convolutional neural network,” arXiv preprint
arXiv:1804.06812, 2018.
[4] K. A. Salam and G. Srilakshmi, "An algorithm for ECG analysis of arrhythmia detection," in *Proceedings of the 2015 IEEE International Conference on Electrical, Computer and Communication Technologies (ICECCT)*, March 2015, doi: 10.1109/ICECCT.2015.7226130.
[5] Y. Ansari, O. Mourad, K. Qaraqe, and E. Serpedin, "Deep learning for ECG Arrhythmia detection and classification: an overview of progress for period 2017–2023," Front. Physiol., vol. 14, p. 1246746, 2023. doi: 10.3389/fphys.2023.1246746.
[6] N. McCullum, "K Nearest Neighbors in Python - A Step-by-Step Guide," disponible : https://www.nickmccullum.com/chapter.pdf.
Directeur & Encadreur
Directeur: AKWIR Alain NKIEDIEL
Encadreur: KALIMUMBALO Daniella MUGHOLE
Status
Décision ou observation:
Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON
Conception et simulation d'un système de détection des arythmies cardiaques à partir des signaux ECG, basé sur l'algorithme KNN
Résumé
Auteur : VIVUYA MUNGOSY
Niveau: G3
Département: Genie Informatique
Année Ac: 2024-2025 , | 2025-03-22 15:20:51
Mots clés
Arythmies cardiaques, Détection K-Nearest Neighbors (KNN), Signal ECG, Machine Learning, Prétraitement des données, Extraction des caractéristiques, Validation croisée, Métriques de performance, Interprétation cliniqueIntérêt
La détection précoce des arythmies cardiaques peut significativement améliorer la qualité de vie des patients et sauver des vies. En permettant une intervention rapide, ce système peut prévenir les complications graves liées aux arythmies, réduisant ainsi les coûts de santé et les risques pour les patients. Un tel système a le potentiel de transformer les soins de santé et de fournir des outils précieux aux professionnels de santé pour une meilleure prise en charge des patients.Problématique
L'implémentation d'un système de détection des arythmies basé sur KNN présente plusieurs défis.La variabilité des données ECG, influencée par des facteurs tels que le bruit, la qualité des signaux et les différences individuelles entre les patients, peut affecter la précision du modèle.
Comment peut-on améliorer la précision et la robustesse d'un modèle KNN pour la détection des arythmies cardiaques, en tenant compte de la variabilité des signaux ECG et en assurant une interprétation clinique fiable ?
Plan provisoire
1. Introduction2. Revue de la littérature
3. Méthodologie
4. Entraînement et validation du modèle
5. Résultats et discussions
6. Validation clinique
7. Scalabilité et déploiement
8. Conclusion
9. Références
Annexes
Hypothèses
L'utilisation de techniques avancées de prétraitement des données et d'extraction de caractéristiques, combinée à un ensemble de données diversifié et représentatif, améliore la précision et la robustesse d'un modèle K-Nearest Neighbors (KNN) pour la détection des arythmies cardiaques à partir des signaux ECG. En conséquence, cela permet une détection précoce des arythmies, réduit les complications graves et les coûts de santé, et fournit des résultats cliniquement fiables et interprétables pour les professionnels de santé.présente plusieurs défis.Méthodes
1. Collecte des données- Sources : Utilisation d'une base de donnée publique comme PhysioNet.
- Variété: Assurer une diversité des enregistrements ECG.
2. Prétraitement des données Filtrage du bruit :
- Appliquer des filtres pour éliminer les interférences.
- Normalisation : Uniformiser les signaux ECG.
3. Extraction des caractéristiques
- Identifier des caractéristiques telles que les intervalles RR et les pics R.
4. Construction du modèle KNN
- Implémentation : Utiliser scikit-learn en PYTHON.
- Choisir une distance métrique
5. Optimisation des hyperparamètres
- Nombre de voisins (k) : Déterminer le nombre optimal via validation croisée.
6. Entraînement et validation
- Entraînement : Utiliser un ensemble de données d'entraînement.
- Validation : Évaluer avec un ensemble de validation.
7. Évaluation des performances
- Calculer la précision, le rappel et le score F1.
- Analyser les matrices de confusion.
8. Validation clinique
- Collaborer avec des professionnels de santé pour évaluer les résultats.
Bibliographie
[1] I. Hadj Ahmed, "Analyse temps–fréquence à haute résolution du signal HRV: Application à la télésurveillance des arythmies cardiaques," Ingénierie biomédicale, Université Abou Bekr Belkaid Tlemcen, Algérie, 2022. ⟨NNT : ⟩. ⟨tel-03710280⟩.[2] M. A. Abed, "Développement d’un bracelet multi-capteur PPG et d’un modèle d’apprentissage pour la détection de problématiques cardiovasculaires," Maîtrise en informatique, L’Université du Québec à Rimouski, juin 2021.
[3] R. Ghodbane, "Automated Heartbeat Classification and Cardiovascular Disease Detection Using Deep Learning," Master's dissertation, Mohamed Khider University – BISKRA, Faculty of Exact Sciences, Natural and Life Sciences, Computer Science Department, Algérie, 25 juin 2023, Order N°: SIOD17/M2/2022.
[3] T. J. Jun, H. M. Nguyen, D. Kang, D. Kim, D. Kim, and Y.-H. Kim, “Ecg arrhyth-
mia classification using a 2-d convolutional neural network,” arXiv preprint
arXiv:1804.06812, 2018.
[4] K. A. Salam and G. Srilakshmi, "An algorithm for ECG analysis of arrhythmia detection," in *Proceedings of the 2015 IEEE International Conference on Electrical, Computer and Communication Technologies (ICECCT)*, March 2015, doi: 10.1109/ICECCT.2015.7226130.
[5] Y. Ansari, O. Mourad, K. Qaraqe, and E. Serpedin, "Deep learning for ECG Arrhythmia detection and classification: an overview of progress for period 2017–2023," Front. Physiol., vol. 14, p. 1246746, 2023. doi: 10.3389/fphys.2023.1246746.
[6] N. McCullum, "K Nearest Neighbors in Python - A Step-by-Step Guide," disponible : https://www.nickmccullum.com/chapter.pdf.
Directeur & Encadreur
Directeur: AKWIR Alain NKIEDIELEncadreur: KALIMUMBALO Daniella MUGHOLE
Status
Décision ou observation:Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON